NO20101482A1 - Prediksjon av produksjonssone - Google Patents

Abstract

Det beskrives implementeringer av prediksjon av produksjonssoner. Mer bestemt, apparat og teknikker som her beskrives, tillater en bruker å predikere produksjonssoner i brønner. Ved nøyaktig prediktering av produksjonssoner, kan brukere perforere en eksisterende brønn på forhåndsbestemte brønndybder for adgang til hydrokarbon holdige st ra ta, samtidig som man unngår andre uønskede strata (så som vannholdige strata). For eksempel, i en mulig implementering, kan brønndata og syntaktiske data fra et første sett av en eller flere eksisterende brønner brukes til å opprette en eller flere syntaktiske modeller. Disse syntaktiske modeller kan da brukes sammen med vann- andelsdata og brønndata fra den ene eller de flere eksisterende brønner for å opprette en modell over prediksjon av produserende soner som kan brukes for brønner utenfor det første sett av eksisterende brønner.

Description

BAKGRUNN

[0001]Under eksisterende praksis, så snart en brønn har blitt boret i et hydrokarbonfelt og forskjellige brønnlogger har blitt kjørt, anvendes en petrofysiker i flere dager for å granske brønnloggene og identifisere produksjonssoner eller økonomisk drivverdige soner (pay zones) i brønnen. Produksjonssoner inkluderer ofte områder av dybder i brønnen som hydrokarboner, og ikke bare vann, kan utvinnes fra.

[0002]Den tid som er påkrevet for petrofysikeren for å gå gjennom loggene, kan være svært kostbar. I tillegg til kostnaden for petrofysikeren i seg selv, må organi-sasjonen som håper å utvinne brønnen også ta opp nedetid for riggen og tapt opp produksjon fra brønnen mens man venter på petrofysikerens anbefalinger. Disse tap kan økes når en flerhet av eksisterende brønnen blir gjennomgått.

SAMMENFATNING

[0003]Det beskrives implementeringer av prediksjon av produksjonssoner. I en mulig utførelse, blir brønndata og syntaktiske data fra et første sett av én eller flere eksisterende brønner brukt til å opprette én eller flere syntaktiske modeller. Brønntest-resultatdata fra den ene eller de flere eksisterende brønner kan aksesseres og brukes sammen med den ene eller de flere syntaktiske modeller, og i det minste noen av brønndataene, for å opprette en modell for prediksjon av produksjonssoner.

[0004]I en implementering kan brønndata aksesseres fra en annen brønn utenfor det første sett av én eller flere eksisterende brønner, og brukes sammen med den ene eller de flere syntaktiske modeller for å estimere syntaktiske egenskaper ved den annen brønn. Brønndataene og syntaktiske egenskaper ved den annen brønn, kan da brukes sammen med produksjonssone-prediktormodellen, for å estimere egenskaper, inkludert produksjonssoner, som er forbundet med den annen brønn.

[0005]Denne sammenfatning er tilveiebrakt for å introdusere et utvalg av konsepter som videre er beskrevet nedenfor i den detaljerte beskrivelse. Denne sammenfatning er ikke ment å identifisere viktige eller essensielle trekk ved den gjenstand det kreves beskyttelse for, heller ikke er den ment til bruk som et hjelpemiddel for å begrense omfanget av den gjenstand det kreves beskyttelse for.

KORT BESKRIVELSE AV INNHOLDET

[0006] Den detaljerte beskrivelse beskrives med henvisning til de ledsagende figurer. På figurene identifiserer det siffer i et henvisningstall som er lengst til venstre den figur hvor henvisningstallet først forekommer. Bruken av de samme henvisningstall på forskjellige figurer angir lignende eller identiske gjenstander.

[0007]Fig. 1 illustrerer et eksempel på en databehandlingsinnretning som elementer i prediksjon av produksjonssoner kan implementeres på.

[0008]Fig. 2 illustrerer eksempler på mulige syntaktiske modeller i samsvar med en utførelse av prediksjon av produksjonssoner.

[0009]Fig. 3 illustrerer et eksempel på en produksjonssone-prediktormodell i samsvar med en utførelse av prediksjon av produksjonssoner.

[0010]Fig. 4 illustrerer et eksempel på en klyngedannelsesmetode i samsvar med en utførelse av prediksjon av produksjonssoner.

[0011]Fig. 5 illustrerer et diagram over dybde versus klyngenummer i samsvar med en utførelse av prediksjon av produksjonssoner.

[0012]Fig. 6 illustrerer en kaskade av syntaktiske modeller bruk til å opprette en produksjonssone-prediktormodell i samsvar med en utførelse av prediksjon av produksjonssoner.

[0013]Fig. 7 illustrerer et eksempel på metode(r) for prediksjon av produksjonssoner.

[0014]Fig. 8 illustrerer et eksempel på metode(r) for prediksjon av produksjonssoner.

[0015]Fig. 9 illustrerer et eksempel på metode(r) for prediksjon av produksjonssoner.

DETALJERT BESKRIVELSE

[0016] Denne offentliggjøring er rettet mot apparat og teknikker for implementering av prediksjon av produksjonssoner. Mer bestemt, det apparat og de teknikker som her beskrives involverer å tillate en bruker å predikere produksjonssoner i brønner. Ved nøyaktig prediktering av produksjonssoner, kan brukeren perforere en eksisterende brønn på forhåndsbestemte brønndybder, hvilket tillater adgang til hydrokarbonholdige strata, samtidig som man unngår andre uønskede strata (så som vannholdige strata).

[0017]For eksempel, i en mulig implementering, kan brønndata og syntaktiske data fra et første sett av én eller flere eksisterende brønner brukes til å opprette én eller flere syntaktiske modeller. Disse syntaktiske modeller kan da brukes sammen med brønntest-resultatdata (så som vannandelsdata) og brønndata fra den ene eller de flere eksisterende brønner for å opprette en modell for prediksjon av produksjonssoner.

[0018]I en modell kan produksjonssone-prediktormodellen brukes til å predikere produksjonssoner i en annen brønn utenfor det første sett av brønner, så vel som for brønner fra det første sett. For eksempel kan brønndata fra den annen brønn brukes sammen med de syntaktiske modeller for å estimere syntaktiske egenskaper ved den annen brønn. De estimerte syntaktiske egenskaper, sammen med i det minste noen av brønndataene fra den annen brønn, kan deretter brukes av produksjonssone-prediktormodellen for å estimere egenskaper, inkludert produksjonssoner, som er forbundet med den annen brønn.

Eksempel på databehandlingsmiliø

[0019]Fig. 1 viser et eksempel på en databehandlingsinnretning 100 som er egnet til implementering av utførelser av prediksjon av produksjonssoner. Databehandlingsinnretningen 100 kan implementeres som enhver form av databehandlingsinnretning og/eller elektronisk innretning. Databehandlings-innretningen 100 kan f.eks. inkludere en server, en skrivebords-PC, en reisedatamaskin eller bærbar datamaskin, en arbeidsstasjon, en stordatamaskin, en internettanvendelse, og så videre. Databehandlings-innretningen 100 inkluderer inngangs/utgangs (l/O)-innretninger 102, én eller flere prosessorer 104 og datamaskinlesbare media 106.

[0020]l/O-innretningene 102 kan inkludere enhver innretning som data og/eller instruksjoner kan sendes eller mottas over av databehandlings-innretningen 100. For eksempel kan l/O-innretningen 102 inkludere det ene eller flere av en optisk diskstasjon, en USB-innretning, et tastatur, en berøringsskjerm, en monitor, en mus, en digitalseringsenhet, en skanner, en styrekule, forskjellige kameraer, bevegelses-deteksjonsinnretninger, osv.

[0021]l/O-innretningene 102 kan også inkludere ett eller flere kommunikasjons-grensesnitt implementert som en hvilken som helst av én eller flere av et serielt og/eller parallelt grensesnitt, et trådløst grensesnitt, en hvilken som helst type av nettverksgrensesnitt, et modem, et nettverks-grensesnittkort, eller en hvilken som helst annen type av kommunikasjons-grensesnitt som er i stand til å forbinde databehandlings-innretningen 100 til et nettverk eller til en annen databehandlingsinnretning eller elektrisk innretning.

[0022]Prosessoren(e) 104 inkluderer mikroprosessorer, kontrollere og lignende, konfigurert til å behandle forskjellige datamaskin-utførbare instruksjoner som styrer operasjonen av databehandlings-innretningen 100. Prosessoren(e) 104 kan f.eks. sette databehandlingsinnretningen 100 i stand til å kommunisere med andre elektroniske innretninger og databehandlingsinnretninger, og til å behandle instruksjoner og data sammen med programmer 108 som er lagret i datamaskinlesbare media 106.

[0023]De datamaskinlesbare media 106 kan inkludere én eller flere minne-komponenter inkludert direkteminne (Random Access Memory, RAM), ikke-flyktig minne (eksempelvis hvilken som helst av én eller flere av et leselager (Read-Only-Memory, ROM), flash-minne, EPROM, EEPROM, osv.), og en disklagringsinnretning. En disklagringsinnretning kan inkludere enhver type av magnetisk eller optisk lagringsinnretning, så som en hard-diskstasjon, en skrivbar og/eller over-skrivbar kompaktdisk (Compact Disk, CD), en DVD, en DVD+RW, og lignende.

[0024]De datamaskinlesbare media 106 tilveiebringer lagringsmekanismer for å lagre forskjellig informasjon, data og/eller instruksjoner, så som programvare-applikasjoner og enhver annen type av informasjon og data relatert til opera-sjonelle aspekter av databehandlingsinnretningen 100. Foreksempel, kan programmer 108 lagret på de datamaskinlesbare media 106 inkludere en modell 110 for volum av leiremateriale i forhold til totalt volum og/eller leirskifervolum (VCL), en permeabilitetsmodell 112, en effektiv porøsitetsmodell 114, en sonepredikator-modell 116 og andre programmer 118 - så som et operativsystem og/eller assorterte applikasjonsprogrammer. Programmene 108 kan utføres på én eller flere prosessorer 104.

[0025]De datamaskinlesbare media 106 kan også inkludere data 120. For eksempel, som illustrert på fig. 1, data 120 som befinner seg på de datamaskinlesbare media 106 kan inkludere brønndata for en gruppe av eksisterende brønner 122, brønndata for en brønn av interesse 124, syntaktiske data 126, brønntest-resultatdata (muligens inkludert vannandelsdata) for gruppen av eksisterende brønner 128, estimerte data fra brønnen av interesse 130 og andre data 132 (inkludert mellomliggende data og sluttdata opprettet gjennom bruk av én eller flere programmer 108).

[0026]Et hvilket som helst av programmene 108 og data 120 kan befinne seg helt eller delvis på en hvilken som helst av et mangfold av mediatyper som befinner seg i de datamaskinlesbare media 106. For eksempel kan deler av VCL-modellen 110 til forskjellige tidspunkter befinne seg i direkteminne (Random Access Memory, RAM), leselager (Read Only Memory, ROM), optiske lagringsdisker (så som CD-erog DVD-er), floppy-disker, optiske innretninger, flash-innretninger, og så videre.

[0027]En systembuss 134 kan kople én eller flere av prosessorene 104, l/O-innretningene 102 og de datamaskinlesbare media 106 til hverandre. Systembussen 134 kan inkludere én eller flere av enhver av flere typer av buss-strukturer, inkludert en minnebuss eller minnekontroller, en perifer buss, en akselerert grafikkport og en prosessor eller lokal buss som bruker en hvilken som helst av et mangfold av bussarkitekturer. Som eksempel, slike arkitekturer kan inkludere en industristandard-arkitektur (Industry Standard Architechture, ISA) buss, en mikroakanal-arkitektur (Micro Channel Architecture, MCA) buss, en for-bedret ISA (Enhanced ISA, EISA) buss, en videoelektronikkstandarder-assosiasjon (Video Electronics Standards Association, VESA) lokal buss, og en perifer komponent-sammenkoplings (Peripherical Component Interconnects, PCI) buss, også kjent som en mezzanin-buss, og så videre.

Eksempel på syntaktiske modeller

[0028]Fig. 2 illustrerer eksempler på mulige syntaktiske modeller i samsvar med en utførelse av prediksjon av produksjonssoner. De syntaktiske modeller inkluderer en VCL-modell 110, en effektiv porøsitets-modell 114 og en permeabilitets-modell 112.

[0029]I en mulig implementering, opprettes de syntaktiske modeller 110, 112, 114 ved aksessering av brønndata fra en gruppe av eksisterende brønner. Brønndata-ene kan f.eks. komme fra et modent hydrokarbonfelt (dvs. et felt som har fem eller flere eksisterende brønner). Det vil imidlertid forstås at konseptene med prediksjon av produksjonssone også kan brukes sammen med grupper av brønner som teller færre enn fem.

[0030]Uttrykket "brønndata", slik det her brukes, inkluderer enhver informasjon som er tilknyttet en brønn samlet inn ved bruk av en hvilken som helst måleteknikk som er kjent innen teknikken, inkludert både invasive og ikke-invasive teknikker. Dette kan inkludere data som er samlet inn eller avledet ved eller nær en brønns lokalisering.

[0031]For eksempel, kan brønndata samles inn gjennom bruken av brønnlogger, boremålinger, brønntester, brønnkjerneprøver, seismiske tester (inkludert mikroseismiske tester), stempelsugingstester, perforeringsintervall-informasjon, verktøy for måling-under-boring (measuring-while-drilling, MWD), verktøy for logging-under-boring, osv. I et aspekt, kan brønndata være dybdeavhengig og/eller lagsavhengig, så som lagsspesifikke data.

[0032]Brønnlogger som brukes til å samle inn og produsere brønndata kan inkludere, men er ikke begrenset til, resistivitetslogger (så som f.eks. M2RX, M2R9, ILD og RT logger), porøsitetslogger (så som MPHS, DPHI, PORZ og MPHI logger), langsomhets-logger eller logger over intervalltransittid, og logger over måling av spontant potensial.

[0033]Så snart de er samlet inn og/eller produsert, kan brønndataene brukes til å opprette forskjellige syntaktiske data, så som informasjon som vedrører leire-volum, effektiv porøsitet, permeabilitet, osv. I en implementering, kan syntaktiske data tolkes fra brønndata av én eller flere erfarne eksperter på petrofysikk. Det vil forstås at uttrykkene "petrofysiker" og "ekspert på petrofysikk" her brukes ombyttbart og kan inkludere alt personell som er i stand til å tolke brønndata for å komme frem til syntaktiske data.

[0034]For eksempel, kan en petrofysiker granske forskjellige brønnloggdata fra en brønn innen gruppen av brønner og estimere syntaktiske data, så som informasjon om volum av leiremateriale i forhold til totalt volum og/eller leirskifervolum (VCL) for brønnen. På lignende vis kan petrofysikeren granske brønndata og syntaktiske data for å opprette data for effektiv porøsitet og/eller permeabilitet som en funksjon av dybde og/eller lag for en brønn. I et aspekt, kan petrofysikeren være avhengig av spesialisert petrofysikk-programvare for å gjennomføre slike analyser.

[0035]Så snart syntaktiske data for alle brønnene i gruppen av brønner har blitt opprettet, kan det brukes til å bygge én eller flere syntaktiske modeller som er representative for feltet, eller en del av dette (så som f.eks. en seksjon, område, osv. av feltet) som gruppen av brønner er tilknyttet. Som illustrert på fig. 2, disse syntaktiske modeller kan inkludere VCL-modellen 110, effektiv porøsitets-modellen 114 og permeabilitetsmodellen 112. Det vil forstås at andre syntaktiske modeller kan brukes i tillegg til, eller istedenfor, de syntaktiske modeller 110, 112, 114.

[0036]I en implementering, læres syntaktiske modeller 110, 112, 114 opp ved bruk av i det minste noen av de syntaktiske data og brønndata fra brønnene i gruppen av brønner. For eksempel kan brønndata fra brønnene korreleres med syntaktiske data for brønnene for å komme frem til en VCL-modell 110, effektiv porøsitets-modell 114 og/eller permeabilitetsmodell 112. Man legger merke til at i en implementering kan permeabilitetsmodellen 112 opprettes ved bruk av VCL-modellen 110 og effektiv porøsitetsmodellen 114. På lignende vis kan effektiv porøsitets-modellen 114 opprettes ved bruk av VCL-modellen 110.

[0037]De syntaktiske modeller 110,112,114 kan bygges ved bruk av hvilke som helst korrelasjonsmetoder kjent innen teknikken som er i stand til å korrelere inngangsdata (som kan inkludere brønndata og syntaktiske data) til korresponderende utgangsdata, som kan inkludere syntaktiske data og faktisk målte brønn-data. Korrelasjonsmetoder kan blant annet inkludere lineær regresjon, metoder med nevrale nettverk (inkludert selvorganiserende kart), og hvilke som helst statistiske metoder som er i stand til å korrelere brønndata og syntaktiske data. Dessuten vil det forstås at de syntaktiske modeller 110,112, 114 kan læres opp ved bruk av et bredt mangfold av dataserieinformasjon, så som eksisterende datagrupper, inkludert tidsavhengige data, dybdeavhengige data og/eller lagsavhengige data.

[0038]For eksempel kan VCL-modellen 110 opprettes ved korrelering av brønndata for en enkelt brønn med tilknyttede syntaktiske data for brønnen opprettet av en petrofysiker. Dette kan gjøres for hver brønn i gruppen av brønner for å komme frem til en VCL-modell 110 som beskriver en sammensetning av feltet hvor brønnene befinner seg. På denne måte, så snart VCL-modellen 110 er opprettet, kan brønndata fra en ny brønn i det samme feltet mates inn til VCL- modellen 110, og korresponderende syntaktiske data kan mates utfra brønnen, hvilket approksimerer syntaktiske data for den nye brønnen, hvilket kan opprettes uavhengig av en petrofysiker.

[0039]En lignende prosess kan følges for å lære opp effektiv porøsitets-modellen 114. For eksempel, kan brønndata og syntaktiske data (så som VCL-data) for en brønn korreleres med effektiv porøsitets-data for brønnen slik disse er opprettet av en petrofysiker. Dette kan gjøres for hver brønn i gruppen av brønner for å komme frem til en effektiv porøsitets-modell 114 som beskriver en sammensetning av feltet hvor gruppen av brønner befinner seg.

[0040]Dessuten kan permeabilitetsmodellen 112 opprettes ved korrelering av brønndata (så som permeabilitetsdata hentet frem fra verktøy for nukleær magnetisk resonans (NMR)) og syntaktiske data (så som effektiv porøsitets-data) for en brønn med permeabilitetsdata for brønnen slik disse er opprettet av petrofysikeren. Dette kan gjøres for hver brønn i gruppen av brønner for å komme frem til en permeabilitetsmodell 112 som beskriver en sammensetning av feltet hvor gruppen av brønner befinner seg.

[0041]Det vil tas ad notam at selv om fig. 2 kun illustrerer tre syntaktiske modeller 110,112,114, kan flere eller færre syntaktiske modeller brukes sammen med konsepter med prediksjon av produksjonssone. Dessuten er innmatingene til de syntaktiske modeller 110, 112, 114 illustrert på fig. 2, kun ett eksempel på mulige innmatinger. Det vil forstås at andre typer av innmatinger kan brukes i tillegg til, eller istedenfor, de viste innmatinger.

Eksempel på produksionssone- prediktormodell

[0042]Fig. 3 illustrerer et eksempel på produksjonssone-prediktormodell 116 i samsvar med en utførelse av prediksjon av produksjonssoner. Produksjonssone-prediktormodellen 116 kan opprettes ved å lære den opp på et mangfold av brønndata og syntaktiske data. I en implementering, inkluderer brønndataene perforeringsintervall-informasjon (så som brønntest-resultatdata, inkludert vannandelsinformasjon) for brønner som brønndataene og de syntaktiske data er tilknyttet. Vannandelsinformasjon kan bestemmes ved bruk av stempelsugingstester, brønntester eller hvilke som helst andre metoder som er kjent innen teknikken. I en utførelse, er de syntaktiske data og brønndata dybdeavhengige.

[0043]Med retur til eksempelet på gruppen av brønner omtalt i forbindelse med fig. 2 ovenfor, i en mulig implementering, kan produksjonssone-prediktormodellen 116 læres opp på brønndata og syntaktiske data fra hver brønn i gruppen av brønner. I tillegg kan produksjonssone-prediktormodellen 116 læres opp på informasjon om prediksjon av produksjonssoner og informasjon om prediksjon av fluidtype for hver brønn slik dette leveres f.eks. av en petrofysiker. I en implementering kan dette gjøres med én brønn om gangen.

[0044]For eksempel, kan brønndata og syntaktiske data som er tilknyttet med en enkelt brønn, tilknyttes produksjonssonedata og/eller fluidtypedata for den samme brønnen, slik dette er opprettet av en petrofysiker. Dette kan gjøres for hver brønn i gruppen av brønner, slik at produksjonssone-prediktormodellen 116 modellerer en sammensetning av feltet hvor brønnene befinner seg. På denne måte, så snart produksjonssone-prediktormodellen 116 er opprettet, kan brønndata og syntaktiske data fra en ny brønn i feltet mates inn til produksjonssone-prediktormodellen 116, og korresponderende produksjonssonedata og/eller fluidtypedata kan mates utfra produksjonssone-prediktormodellen 116, hvilket approksimerer produksjonssonedata og/eller fluidtypedata forden nye brønnen, hvilket kan opprettes uavhengig av en petrofysiker.

[0045]Produksjonssone-prediktormodellen 116 kan bygges ved bruk hvilke som helst korrelasjonsmodeller som er kjent innen teknikken, inkludert blant annet lineær regresjon, metoder med nevrale nettverk (inkludert selvorganiserende kart), klyngedannelsesmetoder og hvilke som helst statistiske metoder som er i stand til å korrelere brønndataene, de syntaktiske data og produksjonssonedata og/eller fluidtypedata. Det vil dessuten forstås at produksjonssone-prediktormodellen 116 kan læres opp ved bruk av dybdeavhengige data.

[0046]Som påpekt ovenfor, kan produksjonssone-prediktormodellen 116 mates med brønndata inkludert brønntest-resultatdata. I en implementering, kan informasjon om fluidinnhold fra brønntest-resultatdata for hvert lag i en brønn sammen med perforeringshøyder mates inn i produksjonssone-prediktormodellen 116. Denne informasjonen kan tilføres på et intervallnivå (f.eks. kan vannandel målt i et intervall tilveiebringe en angivelse av en fluidtype som er tilstede ved det intervallet). I et aspekt, kan vannandel for et lag tilordnes en konstant verdi for hver brønnloggmåling innen intervallet.

[0047]En petrofysikers ekspertkunnskap kan brukes til å definere klynger med målintervaller som inkluderer reservoarbergart. Slike definerte intervaller eller klynger kan brukes i produksjonssone-prediktormodellen 116 for å predikere produksjonssoner.

Eksempel på opplærinqsfase for produksionssone- prediktormodellen

[0048]I en mulig utførelse, kan produksjonsone-prediktormodellen 116 mates med brønndata (inkludert brønntest-resultatdata) for hvert intervall og en indikator for en "god" eller "dårlig" produksjonssone som kommer fra ekspertkunnskap, så som fra en petrofysiker. En "dårlig" produksjonssone kan vises av en ufordelaktig vannandel, som mange operatører kan ønske å unngå å perforere i sin bestrebelse på å utvinne hydrokarboner fra en brønn. Tilsvarende, kan en "god" produksjonssone være et intervall hvor hydrokarboner er tilstede og hvorfra det ikke er noen vannproduksjon eller en lavere vannandel.

[0049]Ved identifisering av forskjeller mellom lignende kombinasjoner av brønndata, kan man skjelne mellom forskjellige typer av bergarter inne i en brønn. For eksempel, kan forskjellige litologier i en brønn hver ha en typisk kombinasjon av brønndata-amplituder, og klyngedannelses-metoder kan brukes til å identifisere de individuelle litologier. Klyngedannelsesmetoder kan inkludere enhver klyngedannelses-teknologi som er kjent innen teknikken, inkludert spindelvev, Wards klyngedannelse, fullstendig sammenbinding, enkelt-sammenbinding, k-midlerog manuell klyngedannelse.

[0050]Informasjon om "gode" og "dårlige" produksjonssoner kan brukes til å isolere intervaller som skal perforeres. Produksjonssone-prediktormodellen 116 kan identifisere en korresponderende klynge for hvert sett av inngangsdata. Denne klyngen kan definere en litologi og vise en produksjonssone for en spesifikk dybde i en brønn, hvilket kan presenteres til en bruker av produksjonssone-prediktormodellen 116.

Eksempel på klyngedannelses- metode

[0051]Fig. 4 illustrerer en selvorganiserende kart (Seif Organizing Map, SOM) -modell 400 med flere forskjellige kart 402, 404 og 406, som kan brukes sammen med en implementering av prediksjon av produksjonssoner. Hvert kart 402, 404, 406 inkluderer forskjellige klynger, med klyngenummer 1-5 som viser klynger som har en distinkt litologi. For eksempel, alle datapunkter man finner i klyngen betegnet med klyngenummer 1, kommer fra den samme litologi og deler likheter. Tilsvarende, alle datapunkter man finner i klyngen betegnet med nummer 2 deler likheter, og så videre.

[0052]Hvert kart 402, 404, 406 representerer en parameterinnmating inn i SOM-en (eksempelvis brønnlogg-informasjon, brønntest-resultatinformasjon, brønntest-informasjon, og så videre). Alle inngangsdata for en spesifikk dybde i en brønn, er lokalisert i den samme lokalisering i hvert kart 402, 404, 406.

[0053]I det inneværende eksempel, angir klyngenummer 4 en "god" produksjonssone. Alle data innenfor denne klyngen har derfor blitt identifisert og merket som en "god produksjonssone" av en petrofysikk-ekspert. Videre representerer hvert datapunkt som er lagt inn i modellen 400 et punkt i et dybde av en brønn. Som et resultat, har hvert datapunkt i dybden et klyngenummer 1-5 tilordnet til seg. I dette eksempelet er alle dybdeintervaller med klyngenummer 4 de som produksjonssone-identifikasjonsmodellen anbefaler skal perforeres.

[0054]Fig. 5 illustrerer et diagram 500 over dybde versus klyngenummer som kan mates ut fra en produksjonssone-prediktormodell 116 og brukes til å vise resultatene av klyngedannelsesmodeller, så som modell 400. Som omtalt ovenfor, i det foreliggende eksempel, representerer klyngenummer 4 et identifisert "god produksjonssone"-intervall, slik dette er angitt av en petrofysiker. Det intervall som er merket som å ha klyngenummer 4 på fig. 5, kan derfor anbefales av produksjonssone-prediktormodellen 116 som en god sone for perforering. Tilsvarende kan det predikeres at en brønndybde på ca. 950 m - innenfor dybdeområdet for klyngenummer 4 - f.eks. kan perforeres for å få adgang til hydrokarboner samtidig som man unngår overdreven stor vannproduksjon.

[0055]Det vil forstås at klyngenummeret for en god produksjonssone kan være forskjellig i forskjellige implementeringer i samsvar med innmatingen fra en petrofysiker eller en bruker. Dessuten kan en flerhet av klyngenumre brukes til å angi ønskede produksjonssoner. For eksempel kan klyngenummer 4 angi en mest foretrukket produksjonssone, mens klyngenummer 1 kan angi en mindre foretrukket, men likevel ønskelig, produksjonssone. Alternativt, kan flere klyngenumre angi den samme kvalitet av produksjonssone. For eksempel kan klyngenummer 3 og 2 angi like dårlige produksjonssoner.

[0056] Det vil også forstås at produksjonssone-attraktivitet ikke nødvendigvis øker med klyngenummer. For eksempel, på fig. 5 kan klyngenummer 5 ses å være en dårlig produksjonssone, selv om klyngenummer 5 nummerisk er større enn klyngenummer 4, som selv kan angi en god produksjonssone.

Eksempel på kaskade av modeller

[0057]Fig. 6 illustrerer et eksempel på kaskade av modeller 600 på hvilken utførelser av prediksjon av produksjonssoner kan praktiseres. Kaskaden av modeller 600 inkluderer VCL-modellen 110, effektiv porøsitets-modellen 114 og permeabilitetsmodellen 112, koplet slik at deres utganger kan brukes til å opprette innganger til produksjonssone-prediktormodellen 116.

[0058]I en implementering kan kaskaden av modeller 600 brukes til å bygge produksjonssone-prediktormodellen 116. For eksempel, så snart de syntaktiske modeller 110,112,114 har blitt opprettet, kan de brukes sammen med assorterte brønndata, så som fluidtype-data, perforeringsintervall-data, osv., for å lære opp produksjonssone-prediktormodellen 116.

[0059]For eksempel, kan produksjonssone-prediktormodellen 116 settes opp på VCL-informasjon fra VCL-modellen 110, effektiv porøsitets-informasjon fra effektiv porøsitets-modellen 114, permeabilitetsinformasjon fra permeabilitetsmodellen 112, og forskjellige brønndata tilknyttet brønner i en gruppe av brønner. I en mulig utførelse, kan brønndata for en brønn i gruppen av brønner legges inn i innganger 602 i kaskaden av modeller 600.1 et aspekt, kan brønndataene være dybdeavhengige.

[0060]For eksempel, kan brønndata for en gitt dybde eller et lag i brønnen, mates inn i inngangene 602, og forskjellige syntaktiske data for dybden eller laget i brønnen kan beregnes fra de syntaktiske modeller 110, 112, 114 og mates inn i produksjonssone-prediktormodellen 116. All denne informasjon kan korreleres med produksjonssone-informasjon og/eller fluidtype-informasjon for den korresponderende dybde eller lag, og klyngedannelse kan gjennomføres innen produksjonssone-prediktormodellen 116.

[0061]En slik prosess kan gjentas for et antall av forskjellige dybder og/eller lag i brønnen, med antallet av iterasjoner avhengig av et mangfold av faktorer, inkludert tilgjengeligheten av brønndata. For eksempel, i en mulig implementering, kan hver dybde av tilgjengelige data representere en iterasjon, med nøyaktigheten av produksjonssone-prediktormodellen 116 økende med et økt antall av dybder. For eksempel, kan nøyaktighet av produksjonssone-prediktormodellen 116 økes hvis det brukes brønndata korresponderende til hver 152 mm i en brønn, istedenfor hvis det brukes brønndata korresponderende kun til hver 305 mm i brønnen.

[0062]Denne prosessen kan gjentas for et antall av brønner i gruppen av brønner, slik at produksjonssone-prediktormodellen 116 blir opplært på det feltet hvor gruppen av brønner befinner seg. Opp til et punkt, jo flere brønner fra et felt som brukes til å lære opp produksjonssone-prediktormodellen 116, jo bedre kan produksjonssone-prediktormodellen 116 være i stand til å approksimere produksjonssone-data og/eller fluidtype-data ved forskjellige lokaliseringer og dybder i feltet. Utover dette punkt (enkelte ganger kalt det kritiske punkt), kan det imidlertid være at ytterligere brønner ikke tilføyer merkbar verdi ved opplæring av produksjonssone-prediktormodellen 116, eller de kan til og med resultere i skadelig overopplæring av produksjonssone-prediktormodellen 116.

[0063] Så snart produksjonssone-prediktormodellen 116 har blitt bygd, kan den brukes til å predikere informasjon om produksjonssoner og/eller fluidtype for nye brønner i feltet som de syntaktiske modeller 110, 112, 114 og produksjonssone-prediktormodellen 116 har blitt opplært på. For eksempel, kan brønndata tilknyttet den nye brønnen, mates inn i inngangene 602. Disse brønndata kan brukes av de syntaktiske modeller 110, 112, 114 til å produsere syntaktiske data for innmating til produksjonssone-prediktormodellen 116 sammen med brønndataene. I en implementering inkluderer disse brønndata ikke brønntest-resultatdata eller perforerings-intervalldata fra den nye brønnen, ettersom denne nye brønnen kanskje ennå ikke har blitt perforert eller testet.

[0064] Poduksjonssone-prediktormodellen 116 kan dessuten brukes i andre lokaliseringer med geologi som ligner det feltet som de syntaktiske modeller 110, 112, 114 og produksjonssone-prediktormodellen 116 har blitt opplært på.

[0065]Produksjonssone-prediktormodellen 116 kan ta imot inngangsbrønn-dataene og de syntaktiske data for den nye brønnen og produsere produk sjonssone-informasjon og/eller fluidtype-informasjon. I en implementering, er brønndataene for den nye brønnen dybdeavhengig, slik at brønndata for en gitt dybde legges inn i inngangene 602, og produksjonssone-informasjon og/eller fluidtype-informasjon for denne dybden mates ut fra produksjonssone-prediktormodellen 116 ved utgangene 604.

[0066]Flere suksessive iterasjoner av dybde- eller lagsspesifikke brønndata kan mates inn til inngangene 602, hvilket resulterer i produksjon av korresponderende dybdespesifikke eller lagsspesifikke utgangsdata 604 for produksjonssone og/eller fluidtype fra produksjonssone-prediktormodellen 116. På denne måte, kan et diagram over dybde versus klyngenummer som ligner diagrammet 500 over dybde versus klyngenummer vist på fig. 5, opprettes for den nye brønnen. I en implementering, blir diagrammet for dybde versus klyngenummer opprettet av produksjonssone-prediktormodellen 116 og presentert til en bruker sammen med en nøkkel som beskriver hvilket eller hvilke klyngenumre som er attraktive for perforering. I et aspekt kan nøkkelen beskrive hva som kan predikeres ved hvert klyngenummer (dvs. vann, hydrokarboner, en kombinasjon av dette, eller intet fluid).

Eksemplifiserende fremgangsmåter

[0067]Figurene 7-9 illustrerer eksemplifiserende fremgangsmåter for implementering av aspekter av prediksjon av produksjonssoner. Fremgangsmåtene er illustrert som en samling av blokker i en logisk flytgraf som representerer en sekvens av operasjoner som kan implementeres i maskinvare, programvare, fastvare, forskjellig logikk eller enhver kombinasjon av dette. Rekkefølgen som fremgangsmåtene er beskrevet, er ikke ment å oppfattes som en begrensning, og ethvert antall av de beskrevne fremgangsmåteblokker kan kombineres i en hvilken som helst rekkefølge for å implementere fremgangsmåtene, eller alternative fremgangsmåter. I tillegg kan individuelle blokke slettes fra fremgangsmåtene uten å avvike fra idéen og omfanget til den gjenstand som der beskrives. I konteksten med programvare, kan blokken representere datamaskin-instruksjoner som, når de utføres av én eller flere prosessorer, gjennomfører de anførte operasjoner. Dessuten, med henblikk på omtale, og ikke med henblikk på begrensning, kan valgte aspekter av fremgangsmåtene beskrives med referanse til elementer vist på figurene 1-6.1 tillegg, ingen ting som vedrører rekkefølgen av presentasjon av fremgangsmåtene nedenfor bør brukes til å fortolke viktighet av den fremgangsmåte i forhold til en annen.

Eksemplifiserende fremgangsmåte I

[0068]Fig. 7 illustrerer en eksemplifiserende fremgangsmåte 700 for opprettelse av en produksjonssone-prediktor, så som produksjonssone-prediktoren 116.1 blokk 702, aksesseres brønndata fra et første sett av én eller flere eksisterende brønner. I en implementering er alle brønnene i det første sett av brønner lokalisert i det samme hydrokarbonfelt.

[0069]Brønndataene kan inkludere enhver informasjon som er forbundet med en brønn, og som er samlet inn ved bruk av en hvilken som helst måleteknikk som er kjent innen teknikken, og som kan samles inn gjennom bruk av brønnlogger, boremålinger, brønntester, brønnkjerneprøver, seismiske tester (inkludert mikroseismiske tester), stempelsugingstester, perforeringsintervall-informasjon, verktøy for måling-under-boring (measuring-while-drilling, MWD), og så videre. I et aspekt kan brønndataene være dybdeavhengige og/eller lagsavhengige.

[0070]I blokk 704, aksesseres syntaktiske data tilknyttet brønndataene. I en implementering, blir de syntaktiske data tolket/opprettet fra brønndata av én eller flere erfarne eksperter på petrofysikk. For eksempel kan en petrofysiker granske forskjellige brønnloggdata fra en brønn innenfor det første sett av brønner og estimere syntaktiske data, så som informasjon om volum av leiremateriale i forhold til totalt volum og/eller leirskifervolum (VCL) for brønnen. Tilsvarende kan petrofysikeren granske og syntaktiske data for å opprette effektive porøsitetsdata og/eller permeabilitetsdata som en funksjon av dybde for en brønn. I et aspekt kan petrofysikeren være avhengig av spesialisert petrofysikk-programvare for å gjennomføre slike analyser.

[0071]I blokk 706, opprettes én eller flere syntaktiske modeller fra brønndataene og de syntaktiske data. De syntaktiske modeller kan inkludere enhver modell som kan være nyttig for en petrofysiker eller en bruker som gransker en brønn. For eksempel kan de syntaktiske modeller inkludere en modell med informasjon om volum av leiremateriale i forhold til totalt volum og/eller leirskifervolum (VCL), så som VCL-modellen 110, en porøsitetsmodell, så som effektiv porøsitets-modellen 114, og en permeabilitetsmodell, så som permeabilitetsmodellen 112. Dessuten kan de syntaktiske modeller bygges ved bruk av hvilke som helst korrelasjonsmetoder som er kjent innen teknikken og som er egnet for å korrelere inngangsdata (som kan inkludere brønndata og syntaktiske data) med korresponderende syntetiske, syntaktiske utgangsdata og/eller brønndata. Korrelasjonsmetoder kan blant annet inkludere lineær regresjon, metoder med nevrale nettverk (inkludert selvorganiserende kart), og enhver statistisk metode som er i stand til å korrelere brønndata og syntaktiske data.

[0072]Hver syntaktiske modell kan opprettes ved korrelering av brønndata (og kanskje også syntaktiske data) for en enkelt brønn med andre tilknyttede syntaktiske data for brønnen opprettet av en petrofysiker. De syntaktiske modeller kan opprettes ved bruk av dybdeavhengige og/eller lagsavhengige data, f.eks. ved bruk av brønndata og syntaktiske data som korresponderer til varierende dybder eller lag i brønnen.

[0073]Slik opplæring av de syntaktiske modeller kan gjøres ved bruk av brønndata og syntaktiske data for hver brønn i det første sett av én eller flere eksisterende brønner, for å komme frem til syntaktiske modeller som beskriver en sammensetning av det feltet hvor brønnene i det første sett av én eller flere eksisterende brønner befinner seg. På denne måte, så snart de syntaktiske modeller er opprettet, kan brønndata fra en ny brønn i det samme feltet mates inn til de syntaktiske modeller, som kan mate ut korresponderende syntetisk syntaktiske data som approksimerer syntaktiske data for den nye brønnen, hvilket kan opprettes uavhengig av en petrofysiker.

[0074]I blokk 708, kan brønntest-resultatdata fra én eller flere brønner i det første sett av én eller flere eksisterende brønner aksesseres. Brønntest-resultatdata kan inkludere enhver type av data som setter en petrofysiker i stand til å bestemme type og/eller mengde av fluid som er tilstede ved en gitt lokalisering i en brønn, så som vannandelsdata. Vannandelsdata kan f.eks. finnes ved bruk av stempelsugingstester etter at en brønn er perforert, eller enhver annen egnet test som er kjent innen teknikken.

[0075]I blokk 710 opprettes en produksjonssone-prediktormodell, f.eks. lik produksjonssone-prediktormodellen 116, ved bruk av de syntaktiske data og i det minste noen av brønndataene. I en implementering inkluderer brønndataene vannandelsinformasjon.

[0076] Produksjonssone-prediktormodellen kan læres opp på brønndata og syntaktiske data fra hver brønn i det første sett av én eller flere eksisterende brønner. I tillegg kan produksjonssone-prediktormodellen læres opp på innforma-sjon om prediksjon av produksjonssoner og informasjon om prediksjon av fluidtype for hver brønn, slik dette f.eks. leveres av en petrofysiker. I en implementering kan dette gjøres én brønn om gangen. I en annen mulig implementering kan flere brønner anvendes med en gang. I enda en annen mulig implementering, kan produksjonssone-prediktormodellen læres opp på sammensatt informasjon for det første sett av én eller flere eksisterende brønner.

[0077]Brønndata og syntaktiske data tilknyttet en enkelt brønn kan f.eks. være tilknyttet produksjonssonedata og/eller fluidtypedata forden samme brønnen, slik dette er opprettet av en petrofysiker. Dette kan gjøres for hver brønn i det første sett av én eller flere eksisterende brønner, slik at produksjonssone-prediktormodellen modellerer en sammensetning av feltet hvor brønnene befinner seg. På denne måte, så snart produksjonssone-prediktormodellen er opprettet, kan brønndata og syntaktiske data fra en ny brønn i feltet mates inn i produksjonssone-prediktormodellen, og korresponderende produksjonssonedata og/eller fluidtypedata kan mates utfra produksjonssone-prediktormodellen, hvilke approksimerer produksjonssonedata og/eller fluidtypedata som kan opprettes uavhengig av en petrofysiker for den nye brønnen.

[0078]Produksjonssone-prediktormodellen kan bygges ved bruk av enhver korrelasjonsmetode som er kjent innen teknikken, inkludert blant annet lineær regresjon, metoder med nevrale nettverk (inkludert selvorganiserende kart), og enhver statistisk metode som er i stand til å korrelere brønndataene, de syntaktiske data og produksjonssonedata og/eller fluidtypedata. Dessuten vil det forstås at produksjonssone-prediktormodellen kan læres opp ved bruk av dybdeavhengige og/eller lagsavhengige data.

[0079]I en implementering kan resultater for vannandel for hvert lag i en brønn sammen med perforeringshøyder mates inn i produksjonssone-prediktormodellen. Denne informasjonen kan tilføres på et intervallnivå (vannandel målt i et intervall kan tilveiebringe en angivelse av en fluidtype som er tilstede ved intervallet). I et aspekt, kan vannandel i et lag tilordnes som en konstant verdi for hver brønnlogg-måling innenfor intervallet.

[0080]En petrofysikers ekspertkunnskap kan brukes til å definere målintervaller som inkluderer reservoarbergart tilknyttet god hydrokarbonproduksjon. Slike definerte intervaller kan brukes i produksjonssone-prediktormodellen til å predikere produksjonssoner.

[0081]I en mulig utførelse, kan produksjonssone-prediktormodellen i hvert intervall mates med brønndata (inkludert vannandelsdata) og en indikator på en "god" eller "dårlig" produksjonssone som kommer fra ekspertkunnskap, så som fra en petrofysiker. En "dårlig" produksjonssone kan vise med en svært høy vannandel, som mange operatører kan ønske å unngå å perforere i sin bestrebelse på å utvinne hydrokarboner fra en brønn. En "god" produksjonssone kan være et intervall med et høyt potensial for hydrokarbonutvinning og et lavt potensial for vannproduksjon.

[0082]Ved identifisering av forskjeller mellom lignende kombinasjoner av brønn-data, kan man skjelne mellom forskjellige typer av bergarter inne i en brønn. For eksempel kan forskjellige litologier i en brønn hver for seg ha en typisk kombinasjon av brønndataamplituder, og klyngedannelsesmetoder kan brukes til å identifisere de individuelle litologier. Klyngedannelsesmetoder kan inkludere enhver klyngedannelses-teknologi som er kjent innen teknikken, inkludert spindelvev, Wards klyngedannelse, fullstendig sammenbinding, enkeltsammenbinding, k-midler og manuell klyngedannelse.

[0083]Informasjon om "gode" og "dårlige" produksjonssoner kan brukes til å isolere intervaller som skal perforeres. Produksjonssone-prediktormodellen kan identifisere en korresponderende klynge for hvert sett av inngangsdata. Denne klyngen kan definere en litologi og en produksjonssone-indikator for en spesifikk dybde av brønnen, hvilket kan presenteres til en bruker av produksjonssone-prediktormodellen.

Eksemplifiserende fremgangsmåte II

[0084]Fig. 8 illustrerer en eksemplifiserende prosess 800 for opplæring av syntaktiske modeller, så som syntaktiske modeller 110,112,114, og en

produksjonssone-prediktormodell, så som produksjonssone-

prediktormodellen 116.

[0085]I blokk 802 blir én eller flere syntaktiske modeller opplært fra brønndata og syntaktiske data som er forbundet med et sett av én eller flere eksisterende brønner. Den ene eller de flere syntaktiske modeller inkluderer enhver modell som kan predikere syntaktisk informasjon som kan være nyttig for en petrofysiker eller en bruker som gransker en brønn.

[0086]I en implementering kan den ene eller de flere syntaktiske modeller inkludere en modell med informasjon om volum av leiremateriale i forhold til totalt volum og/eller leirskifervolum (VCL), så som VCL-modellen 110, en porøsitets-modell, så som effektiv porøsitets-modellen 114, en permeabilitetsmodell, så som permeabilitetsmodellen 112. Dessuten kan den ene eller de flere syntaktiske modeller bygges ved bruk av enhver korrelasjonsmetode kjent innen teknikken som er i stand til å korrelere inngangsdata (som kan inkludere brønndata og syntaktiske data) med korresponderende syntaktiske utgangsdata. Korrelasjonsmetoder kan blant annet inkludere lineær regresjon, metoder med nevrale nettverk (inkludert selvorganiserende kart), og enhver statistisk metode som er i stand til å korrelere brønndata og syntaktiske data.

[0087]I en implementering, opprettes de syntaktiske data av en petrofysiker. De syntaktiske modeller kan videre opprettes ved bruk av dybdeavhengige og/eller lagsavhengige data, f.eks. ved bruk av brønndata og syntaktiske data som korresponderer til varierende dybder eller lag i en brønn.

[0088]Opplæring av de syntaktiske modeller kan f.eks. gjøres ved bruk av en hvilken som helst av de teknikker som er beskrevet ovenfor, inkludert de teknikker som er beskrevet i omtalen av fig. 7.

[0089] I blokk 804, blir produksjonssone-prediktormodellen opplært ved bruk av informasjon som inkluderer i det minste noen av brønndataene fra settet av én eller flere eksisterende brønner, brønntest-resultatdata (så som f.eks. vannandelsdata) fra settet av én eller flere eksisterende brønner, og utganger fra den ene eller de flere syntaktiske modeller. Brønntest-resultatdata inkluderer ethvert data som kan sette en petrofysiker i stand til å bestemme type og/eller mengde av fluid som er tilstede ved en gitt lokalisering i en brønn, funnet ved bruk av enhver egnet teknikk som er kjent innen faget.

[0090]I en implementering, kan den ene eller de flere syntaktiske modeller være anordnet i kaskade, så som i en kaskade av modeller 600. For eksempel, kan produksjonssone-prediktormodellen opplæres på VCL-informasjon fra en VCL-modell, informasjon om effektiv porøsitet fra en effektiv porøsitets-modell, og permeabilitets-informasjon fra en permeabilitets-modell. Produksjonssone-prediktormodellen kan også lære opp ved bruk av forskjellige brønndata tilknyttet brønner i gruppen av brønnen. I et aspekt kan brønndataene være dybdeavhengige og/eller lagsavhengige.

[0091]For eksempel, kan brønndata for en gitt dybde eller et lag i en brønn mates inn i den ene eller de flere syntaktiske modeller, og forskjellige syntetiske, syntaktiske data for dybden eller laget i brønnen kan beregnes fra den ene eller de flere syntetiske modeller. Disse syntetiske data sammen med korresponderende brønndata kan mates inn i produksjonssone-prediktormodellen. All denne informasjon kan deretter korreleres med produksjonssone-informasjon og/eller fluidtype-informasjon for den korresponderende dybde eller lag, og klyngedannelse kan gjennomføres innenfor produksjonssone-prediktormodellen.

[0092]En slik prosess kan gjentas for hver forskjellige dybde og/eller lag målt i brønnen, med antallet av iterasjoner av hengig av et mangfold av faktorer, inkludert tilgjengeligheten av brønndata. I en implementering kan nøyaktigheten av produksjonssone-prediktormodellen økes med et økt antall av dybdeavhengige iterasjoner.

[0093] Denne prosessen kan gjentas for et antall av brønner i den ene eller de flere eksisterende brønner, slik at produksjonssone-prediktormodellen blir opplært på det feltet hvor den ene eller de flere eksisterende brønner befinner seg. Som med dybdene ovenfor, jo flere brønner fra et felt som brukes til å lære opp produksjonssone-prediktormodellen, jo bedre kan produksjonssone-prediktormodellen være i stand til å approksimere produksjonssonedata og/eller fluidtypedata ved forskjellige lokaliseringer og dybder i feltet.

[0094] Så snart produksjonssone-prediktormodellen har blitt bygd, kan den brukes til å predikere informasjon om produksjonssoner og/eller fluidtype for nye brønner i det feltet som den ene eller de flere syntaktiske modeller og produksjonssone-prediktormodellen har blitt opplært på. For eksempel, kan brønndata tilknyttet den nye brønnen mates inn i den ene eller de flere syntaktiske modeller og brukes til å produsere syntaktiske data som kan mates inn i produksjonssone-prediktormodellen sammen med brønndataene. I en implementering, inkluderer disse brønndata ikke vannandelsdata eller perforerings-intervalldata fra den nye brønnen, ettersom denne nye brønnen kanskje ennå ikke har blitt perforert.

[0095]Produksjonssone-prediktormodellen kan dessuten brukes i andre lokaliseringer med geologi som ligner det feltet som den eller de flere syntaktiske modeller og produksjonssone-prediktormodellen har blitt opplært på.

[0096] Produksjonssone-prediktormodellen kan ta imot inngangs-brønndataene og de syntaktiske data for den nye brønnen og produsere informasjon om produksjonssone og/eller fluidtype. I en implementering er brønndataene forden nye brønnen dybdeavhengige, slik at brønndata for en gitt dybde legges inn i produksjonssone-prediktormodellen og informasjon om produksjonssone og/eller informasjon om fluidtype for denne dybden mates ut fra produksjonssone-prediktormodellen.

Eksemplifiserende fremgangsmåte III

[0097]Fig. 9 illustrerer en eksemplifiserende prosess 900 for å ta imot brønndata fra en brønn av interesse og for å mate ut estimater av informasjon om vannandel og/eller produksjonssone fra brønnen i samsvar med en utførelse av prediksjon av produksjonssoner.

[0098]I blokk 902, blir brønndata fra brønnen av interesse tatt imot i én eller flere syntaktiske modeller (så som de syntaktiske modeller 110, 112, 114) som er opplært fra brønndata og syntaktiske data forbundet med en gruppe av kjente brønner, unntatt brønnen av interesse. I en implementering, ligger brønnen av interesse og gruppen av kjente brønner i det samme (eller lignende) hydrokarbonfelt. I en implementering inkluderer brønndataene for brønnen av interesse ikke vannandelsdata eller perforeringsintervalldata fra brønnen av interesse, ettersom brønnen av interesse kanskje ennå ikke har blitt perforert.

[0099]I blokk 904, blir syntaktiske data som er estimert for brønnen av interesse matet utfra de syntaktiske modeller. I en implementering, er de utmatede syntaktiske data et estimat basert på syntaktiske data fra andre brønner i gruppen av kjente brønner.

[00100]I blokk 906, blir i det minste noen av brønndataene og de syntaktiske data fra brønnen av interesse tatt i mot i produksjonssone-prediktormodellen. I en implementering, er brønndataene og de syntaktiske data dybdeavhengige eller lagsavhengige.

[00101]I blokk 908, blir estimerte verdier for fluidinnhold, så som vannandelsverdier, for brønnen av interesse og/eller estimerte produksjonsone-verdier for brønnen av interesse matet ut. • For eksempel, hvis brønndataene for brønnen av interesse er dybdeavhengige, så kan dybdeavhengig produksjonssone-informasjon og/eller fluidtype-informasjon mates ut. Flere suksessive iterasjoner av dybdespesifikke eller lagsspesifikke brønndata kan mates inn i produksjonssone-prediktormodellen, hvilket resulterer i produksjon av korresponderende dybdespesifikke eller lagsspesifikke produksjonssone- og/eller fluidtype-utgangsdata fra produksjonssone-prediktormodellen. På denne måte, kan et diagram over dybde versus klyngenummer som ligner diagrammet 500 over klyngenummer opprettes for brønnen av interesse. I en implementering, blir diagrammet for dybde versus klyngenummer opprettet av produksjonssone-prediktormodellen og presentert til en bruker sammen med en nøkkel som beskriver hvilket eller hvilke klyngenummer som er attraktive for perforering. I et aspekt kan nøkkelen beskrive hva som kan predikteres ved hvert klyngenummer (dvs. vann, hydrokarboner, en kombinasjon av dette, eller intet fluid i det hele tatt).

Avslutning

[00102] Selv om utførelser av prediksjonen av produksjonssoner har blitt beskrevet i språk som er spesifikt for strukturelle trekk og/eller fremgangsmåter, skal det forstås at gjenstaden for de vedføyde krav ikke nødvendigvis er begrenset til de spesifikke trekk eller fremgangsmåter som er beskrevet. Snarere, er de spesifikke trekk og fremgangsmåter offentliggjort som eksemplifiserende implementeringer av prediksjon av produksjonssoner.

Claims (20)

1. Fremgangsmåte, omfattende: aksessering av brønndata, inkludert brønntestdata, fra et første sett av én eller flere eksisterende brønner; aksessering av syntaktiske data tilknyttet brønndataene; opprettelse av én eller flere syntaktiske modeller fra brønndataene og de syntaktiske data; opprettelse av en produksjonssone-prediktormodell ved bruk av brønntest-dataene, de syntaktiske data og i det minste noen av brønndataene.

2. Fremgangsmåte som angitt i krav 1, hvor aksesseringen av brønndata inkluderer aksessering av det ene eller flere av: brønnloggedata; boremåledata; brønntestdata; brønnkjernedata; seismiske data; mikroseismiske data; data fremskaffet fra verktøy for måling-under-boring eller logging-under-boring.

3. Fremgangsmåte som angitt i krav 1, hvor aksesseringen av syntaktiske data inkluderer: aksessering av estimater av et volum av leiremateriale i forhold til totalt volum som en funksjon av brønndybde basert på brønndataene; og aksessering av estimater av en effektiv permeabilitet som en funksjon av brønndybde basert på brønndataene.

4. Fremgangsmåte som angitt i krav 1, hvor aksesseringen av syntaktiske data inkluderer: aksessering av estimater av et volum av leiremateriale i forhold til totalt volum som en funksjon av brønndybde basert på brønndataene; aksessering av estimater av en effektiv porøsitet som en funksjon av brønndybde basert på brønndataene.

5. Fremgangsmåte som angitt i krav 1, hvor opprettelsen av én eller flere syntaktiske modeller inkluderer opprettelse av en modell av et volum av leiremateriale i forhold til totalt volum (VCL) som en funksjon av dybde, og opprettelse av det ene eller flere av: en effektiv porøsitets-modell som en funksjon av brønndybde; en permeabilitetsmodell som en funksjon av brønndybde.

6. Fremgangsmåte som angitt i krav 1, hvor opprettelsen av én eller flere syntaktiske modeller inkluderer korrelering av brønndataene med syntaktiske data ved bruk av korrelasjonsmetoder.

7. Fremgangsmåte som angitt i krav 1, hvor opprettelsen av en produksjonssone-prediktormodell videre inkluderer opplæring av produksjonssone-prediktormodellen på de syntaktiske modeller, brønntestdataene og de i det minste noen av brønndataene ved bruk av det ene eller flere av: korrelasjonsmetoder; klyngedannelsesmetoder.

8. Fremgangsmåte som angitt i krav 1, hvor opprettelsen av en produksjonssone-prediktormodell inkluderer opprettelse av en modell konfigurert til å ta imot innmatinger av syntaktisk informasjon og brønndata fra en annen brønn utenfor det første sett av én eller flere eksisterende brønner og returnere approksi-masjoner av det ene eller flere av: vannandelsverdier for den annen brønn; produksjonssone-verdier for den annen brønn.

9. Fremgangsmåte som angitt i krav 1, videre omfattende: aksessering av brønndata fra en annen brønn utenfor det første sett av én eller flere eksisterende brønner; erindring av, fra brønndataene fra den annen brønn og den ene eller de flere syntaktiske modeller, syntaktiske egenskaper ved den annen brønn som en funksjon av brønndybde, idet de syntaktiske egenskaper inkluderer egenskaper om volum av leiremateriale i forhold til totalt volum (VCL) og det ene eller flere av: effektiv porøsitet-egenskaper; permeabilitets-egenskaper; innmating av de syntaktiske egenskaper og i det minste noen av brønn-dataene fra den annen brønn til produksjonssone-prediktormodellen, benyttelse av produksjonssone-prediktormodellen til å granske de syntaktiske egenskaper og i det minste noen av brønndataene fra den annen brønn og estimere egenskaper tilknyttet den annen brønn, inkludert det ene eller flere av: klyngenummer-informasjon; fluidinnholds-informasjon.

10. Datamaskinlesbart medium med et sett av datamaskinlesbare instruksjoner som befinner seg derpå, som, når de utføres, gjennomfører handlinger omfattende: opplæring av én eller flere syntaktiske modeller fra brønndata og syntaktiske data tilknyttet et sett av én eller flere eksisterende brønner; opplæring av en produksjonssone-prediktormodell ved bruk av informasjon som inkluderer: i det minste noen av brønndataene fra settet av én eller flere eksisterende brønner; brønntest-resultatdata fra settet av én eller flere eksisterende brønner; og utmatinger fra den ene eller de flere syntaktiske modeller.

11. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende: mottaking av brønndata fra en brønn av interesse utenfor settet av én eller flere eksisterende brønner; benyttelse av de syntaktiske modeller og produksjonssone-prediktormodellen til å ekstrapolere, fra brønndataene fra brønnen av interesse, det ene eller flere av det følgende: et estimat av vannandelsinformasjon for brønnen av interesse; et estimat av klyngeinformasjon for brønnen av interesse.

12. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende opplæring av én eller flere av de syntaktiske modeller ved bruk av metoder med nevrale nettverk.

13. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende opplæring av produksjonssone-prediktormodellen ved bruk av det ene eller flere av: korrelasjonsmetoder; klyngedannelsesmetoder.

14. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende mottaking av en innmating av brønndata fra en brønn av interesse utenfor settet av én eller flere eksisterende brønner, og utmating av et estimat av hvor produksjonssoner kan bli funnet i forskjellige dybder inne i brønnen av interesse.

15. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende opplæring av den ene eller de flere syntaktiske modeller ved bruk av selvorganiserende kart-teknikker.

16. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende opplæring av én eller flere syntaktiske modeller fra brønndata og syntaktiske data tilknyttet et sett av én eller flere eksisterende brønner, for å opprette en modell av et volum av leiremateriale i forhold til totalt volum (VCL) som en funksjon av brønndybde.

17. Datamaskinlesbart medium som angitt i krav 10, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende opplæring av én eller flere syntaktiske modeller fra brønndata og syntaktiske data tilknyttet et sett av én eller flere eksisterende brønner, for å opprette det ene eller flere av: en effektiv porøsitetsmodell som en funksjon av brønndybde; en permeabilitetsmodell som en funksjon av brønndybde.

18. Datamaskinlesbart medium, med et sett av datamaskinlesbare instruksjoner som befinner seg derpå, som, når de utføres, gjennomfører handlinger omfattende: mottaking av brønndata fra en brønn av interesse inn i én eller flere syntaktiske modeller opplært fra brønndata og syntaktiske data tilknyttet en gruppe av kjente brønner, unntatt brønnen av interesse; utmating av syntaktiske data estimert for brønnen av interesse; mottaking av, inn i en produksjonssone-prediktormodell: i det minste noen av brønndataene fra brønnen av interesse; og de syntaktiske data fra brønnen av interesse; og utmating av det ene eller flere av: estimerte fluidinnhold-verdier for brønnen av interesse; estimerte produksjonssone-verdierfor brønnen av interesse.

19. Datamaskinlesbart medium som angitt i krav 18, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende utmating av et estimat av et volum av leiremateriale i forhold til totalt volum (VCL) som en funksjon av brønndybde av brønnen av interesse.

20. Datamaskinlesbart medium som angitt i krav 18, med et sett av datamaskinlesbare instruksjoner som, når de utføres, gjennomfører handlinger videre omfattende utmating av estimerte produksjonssone-verdier gjennom bruken av klyngedannelses-teknikker.